整理说明：本文根据我为 OPC 生态联盟京东（郑州）大厦创新中心揭牌活动准备的演讲稿修订而成。原稿使用“AI 团队”作为演讲比喻；本文进一步区分了已经尝试过的流程、仍在迭代的项目和仅用于说明方法的场景。
我叫张玉魁，临床医学专业，非技术出身。
我不会独立编程，也没有技术团队。但我一直在尝试一件事：能不能借助 AI，把原本需要反复手工处理的内容、信息和运营工作，拆成一组可以协作的流程？
我把这些流程称为自己的“AI 团队”。
这个说法不是指 AI 真能替代完整岗位，也不是说一个人可以凭空变成一家成熟公司。它表达的是一种工作方式：人负责方向、标准和判断，AI 承担一部分重复执行。
工具和团队式协作有什么不同
很多人使用 AI，是临时让它改一封邮件、总结一篇文章或查一份资料。任务结束，对话也结束了。
团队式协作更强调稳定的分工：
- 什么信息会进入流程；
- AI 负责哪一步；
- 结果用什么标准检查；
- 什么时候必须由人介入；
- 错误怎样被发现和记录。
与其追求一个无所不能的 AI，不如给每类任务设置清楚的边界。
第一位成员：内容助理
做公众号时，我发现真正需要自己负责的是观点、案例和判断；资料整理、结构草拟、初稿和排版则有很多重复劳动。
所以，我先把 AI 当作内容助理：
- 收集我过去的文章，让它理解常用语气和结构；
- 明确这篇内容写给谁、想说什么；
- 让 AI 生成初稿；
- 检查事实、删除套话、补充亲身经历；
- 用具体反馈继续修改。
刚开始的输出经常很生硬，会出现“随着 AI 快速发展”“综上所述”之类的模板表达。真正的改进不是来自一句神奇提示词，而是来自持续提供样本和具体反馈。
AI 能帮我减少从零开始的压力，但它不是替我表达的人。最终发布的内容仍然要由我负责。
第二位成员：信息整理助理
企业中常有大量分散信息：不同渠道的数据、日常表格、客户记录和经营反馈。管理者真正想看的，往往不是原始数据，而是经过统一口径整理后的结果。
我不具备独立开发数据库或数据平台的能力，因此我在这类场景中的角色主要是：
- 和使用者确认真正需要看的结果；
- 梳理信息来源；
- 设计汇总和提醒流程；
- 借助 AI 生成或修改实现方案；
- 反复测试输出是否符合业务需求。
如果涉及数据口径、权限、安全和复杂分析，仍然需要数据或技术人员参与。AI 可以减少重复整理，却不能替代专业责任。
第三位成员：运营流程助理
我还尝试过把小红书矩阵中的采集、筛选、文案生成、飞书审核和发布串起来。
早期演讲稿把它描述成一套已经稳定工作的自动化系统。按现在更准确的说法：这个项目完成过部分链路和功能测试，但整体仍在迭代，没有完全做完，也不能作为我具备独立开发能力的证明。
它依然带给我很重要的经验：
- 多账号不是简单复制，账号定位和表达必须分别定义；
- 内容生成之后必须保留人工审核；
- 平台规则和账号安全比“自动化程度”更重要；
- 一次发布成功不等于系统可以长期稳定运行；
- 失败记录、重试和人工接管都是流程的一部分。
AI 生成代码可以让非技术人员更快看到原型，但需求、测试和风险判断不能省略。
管理 AI 最容易踩的三个坑
把所有问题都交给 AI
AI 并不适合承担所有工作。需要现场沟通、信任建立、最终决策或高风险判断的任务，不应该只交给模型。
以为第一版就能稳定运行
任何自动化都会遇到数据质量、工具变化、权限、网络和平台规则问题。第一版的意义是暴露问题，不是证明它已经完成。
自己没有想清楚标准
“帮我写一篇好文章”“帮我做一个好系统”都不是可执行的要求。
读者是谁、输入是什么、输出是什么、哪些结果不能接受、谁来验收——这些标准越清楚，AI 才越可能做出有用的结果。
哪些工作不能交给 AI
至少有三类工作需要格外谨慎：
- 依赖面对面沟通和人际信任的工作；
- 涉及医疗、法律、财务或商业最终决策的工作；
- 出错代价很高，却缺少可靠检查机制的工作。
AI 可以提供信息、初稿和建议，但不能替人承担责任。
更合理的分工是：AI 做重复和规则明确的部分，人做判断、关系、创造和关键节点。
普通人怎样开始
第一步，不要先想“我要组一支 AI 团队”，而是找到一件最烦、最常重复的工作。
第二步，像给新同事交代任务一样，说清楚背景、输入、输出、标准和禁区。
第三步，从一个可测试的小版本开始。不要因为能运行，就把它当作已经完成；也不要因为第一版粗糙，就否定整个方向。
第四步，保留人工检查，根据真实错误继续修改。
一个人借助 AI，可以扩展自己的执行能力。但真正决定结果的，仍然是能否把需求讲清楚、能否识别风险，以及是否愿意为最终结果负责。
这可能才是“一人 AI 团队”最值得保留的含义。